基于遥感信息的大兴安岭林火情势及预警研究

田家昊

摘要：

森林火灾对生态系统和资源安全构成了严重威胁。为了缓解这一危害，连续监测森林火灾的时空信息至关重要。利用中低分辨率遥感卫星技术，可以实现全球范围内对森林火灾的持续监测。本文选取了大兴安岭地区，通过分析2001-2017年历史林火的时空动态、空间分布和季节特征，尝试建立完善的火灾风险预警指标体系，以提高预测和防控能力。研究结果显示，整合不同分辨率的遥感数据显著提高火烧迹地产品准确性，特别是中小火斑的识别。然而，改进后的数据产品仍存在问题，主要表现为小火识别率未明显改善和时间跨度较短。这些问题受森林火灾传播复杂性和卫星观测不确定性因素影响，难度较大。因此，森林火灾检测仍然具有挑战性，但及时发现对扑灭火势至关重要。为解决问题，未来需提高遥感技术的精度和时空分辨率，更有效保护生态环境和资源安全。

关键词：森林火灾；遥感；风险预警；森林火灾危险指数

引言

传统监测森林火灾的方法主要依赖于采集火烧迹地信息并进行统计分析。然而，传统方法仅能获取较小区域范围内的火灾信息，无法实现较大范围的火灾监测[1]。同时，传统方法的数据需要经过复杂的获取过程，而且最终的相关数据集无法满足动态监测火灾和可视化火灾过程需求[2]。但遥感技术可以有效帮助解决这些问题，特别是在遥感数据时空分辨率不断提高的背景下，基于遥感数据能够更准确捕捉地表变化过程，有利于更全面、实时了解火灾的动态情况[3]。

目前，国内外学者在林火早期预警研究中已经将多个因素，如气象、地形地貌和植被状况，分级处理，以建立与各级森林火险危险区相匹配的早期预警模型。刘琳[4]采用植被覆盖类型、归一化植被指数（Normalized Difference Vegetation Index，NDVI）以及温度植被干旱指数（TVDI）这3种因子，建立重庆市森林火灾监测预警火险综合预报指数模型。贾旭[5]以各火险因子在短时间内是否发生变化为依据，在计算内蒙古火险区划时，采用分级分析法单独计算因子权重，将其与稳定因子分为两大类。Cipriani等[6]通过火灾结构指数（SFI）的叠加，对高程、坡向、坡度、用地类型、道路、建筑物等因素进行危险等级划分，生成研究区森林火险图，进而确定森林火险发生几率最高的地区。

因此，本文以大兴安岭为研究区，选取该地区2001-2017年间的林火遗迹信息，并结合遥感数据对比分析历史火烧迹地信息。本文分析了该区域历史林火的年际動态变化、空间分布和季节特征。此外，还尝试对森林火灾风险预警因子进行卫星遥感数据提取，构建与之相适应的指标体系。

二、数据与方法

（一）研究区概况

本文以中国东北部的大兴安岭林为研究区。该研究区是中国境内的一片重要森林地区，覆盖范围从北纬43°到53°30′，东经从117°20′到127°之间，横跨内蒙古自治区东北部和黑龙江省西北部，总面积约为32.72万平方千米。总长约为1400千米，宽度大致在200千米左右，其海拔高度区间约为1100米至1400米。

大兴安岭林区一直以来都面临着频繁的森林火灾威胁，这一地区的森林中可见许多带有火烧迹象的活立木。由于受到干冷气候和强风的影响，微小的火源很容易演变成大规模的森林火灾。尽管自20世纪50年代以来，我国采取更为严格的火控政策，成功改善了当地的森林火情。与此同时，这一政策也引发了新的问题，其中之一便是可燃物的不断积累，导致森林火险等级持续上升。自1987年后，我国进一步加大了对大兴安岭林区森林火灾的治理力度，特别是从2014年起全面停止了国有林区的商业性采伐，这标志着森林火灾在大兴安岭林区的生态扰动中占据主导地位。

（二）数据源

本文选择了NASA的MCD64A1数据集的数据作为火烧迹地信息提取的数据基础。MCD64A1系统是根据MODIS的火烧痕迹资料集合而成。该数据是一个月尺度的产品，具有500米的空间分辨率，记录了区域森林火灾发生过程的一些详细信息。MODIS火点资料库容易受自然因素干扰，然而通过人工过滤排除噪音、耀斑和云团的干扰，可以将成功的火点检测率提高至接近100%。这一结果在之前的研究中已经得到验证[7]。图1为基于MCD64A1数据集绘制的全球年平均火焰蔓延范围图。由此可见，全国发生森林火灾最严重的地区是大兴安岭及其周边地区。因此，本文选取大兴安岭为研究地域。

图1 2001年至2017年各地区平均火灾蔓延范围[8]

本文从国家森林与草原管理局获得了大兴安岭2001-2017年林火发生次数与过火面积的统计数据（https：//www.forestry.gov.cn/）。其记录了2001-2017年各月大兴安岭森林火灾过火面积，有助于了解原始火烧迹地的火灾识别效果及火灾分布规律。

（三）森林火灾风险预警指标体系的归纳

国内外研究成果表明，森林火灾的发生主要与地表温度、地表植被状况、地形地貌、降水量、可燃物含水率等因素密切相关，森林火灾的发生具有一定的危险性。本文选取NDVI，火灾动态危险性指（Forest Fire Dynamic Danger Index，FDDI）、7波段的归一化红外指数（Normalized difference infrared index，NDII7）以及三个火灾风险因子尝试构建林火预警体系。NDVI是一种能反映植被绿度、光合作用强度的反映地表植被覆盖信息的植被指数，现主要用于动态监测植被。其计算公式为：

NDVI=Rnir-RredRnir+Rred（1）

式中：Rnir和Rred是近红外波段和红光波段的地物反射率，经过大气校正的MODIS影像数据。

覃先林[9]的研究工作已论证了NDVI7对可燃物的含水率反应比其他植被指数更为显著的短波红外波段与可燃物含水率呈现负相关关系。因此，以MODIS的两个波段计算的NDVI7作为可燃物含水率指标之一，其公式如下：

NDVI7=ρ2-ρ7ρ2+ρ7（2）

式中：ρ2，ρ7分别为MODIS观测数据中的波段数据。

FDDI是根据李晓恋[10]研究提出的可用于森林火灾预警的森林火灾动态危险指数，该指数的前提包括三方面。首先，可燃物含水率可预测发生森林火灾的可能性。其次，草木覆盖度可以作为辅助指标进行相应的参考，起到一定的效用。最后，燃物含水率的大小受地表温度影响。其公式为：

FDDI=（1-NDII7）×（=T-TminTmax-Tmin）×（1-PV）（3）

式中：NDVI7为表示可燃物含水率的MODIS第七波段归一化红外线指数，T为地表温度，PV为植被覆盖而植被覆盖，PV主要由NDVI估计。

PV=NDVI-NDVISNDVIV-NDVIS（4）

式中：NDVIV代表高植被覆盖像元的NDVI，一般取值为0.9。NDVIS为裸土像元的NDVI值，常取0.15。

综上，FDDI结果值大于发生森林火灾的危险性；结果数值越小，林火危险性越小，李哲全[11]的这一研究成果已在广东林火预警中得到应用，当地的林火预警模型是根据广东当地的实测资料构建的。不过，针对大兴安岭林火警报，也针对反映大兴安岭地区积雪因素而引入额外因素一化差分积雪指数（NDSI）。它的计算公式是：

NDSI=ρG-ρSWIRρG+ρSWIR（5）

其中，ρSWIR表示短波紅外的表观反射率，ρG表示绿波段的表观反射率，NDSI根据相关标准并结合研究区域的实际情况分为四个等级。NDSI在0.4-1的范围表示研究区域被积雪完全覆盖，0.2-0.4的范围表示研究区域被积雪覆盖的程度更高。0-0.2区间表示该研究区域覆盖有少量积雪，小于0表明该研究区域无积雪。相应的，积雪程度越高的区域火险风险便会相应减少。

三、大兴安岭林火情势分析

（一）历年林火分布

研究区内的历史林火分布相当广泛，尤其是在东北部地区，呈现出明显的空间分布规律，即“东多西少，北多南少”。如图2所示，在2003年至2006年期间，大兴安岭东北部地区发生了多次严重的森林火灾。在接下来的几年里，尽管林火得到了较好的控制，但仍然发生了一些小规模的林火事件。总体而言，研究区的林火干扰相对较低，单个火灾的规模也相对较小。然而，自2006年以来，东南部地区经历了多次林火事件。在中部地区，尽管在2003年发生了一次严重的森林火灾，但在其他时间段也有一些小规模的火灾，它们分布相对分散。

图2 基于MCD64A1绘制的2001—2017年全国及大兴安岭地区火灾分布图[12]

这一地区的林火分布情况不仅反映了自然因素的影响，如气象条件和地理特点，还受到人类活动的影响，如森林管理和火源控制措施的实施情况。因此，对于不同地区的林火风险评估和防控策略的制定，需要综合考虑这些因素，以保护森林资源和生态环境的安全。

（二）年际间变化趋势

图3展示了研究区在2001年至2017年之间的森林火灾历年面积的波动，如所示。在这个研究期间，大兴安

图3 历年林火面积折线图

岭地区总共发生了144.27万公顷的林火。从历年来发生森林火灾的地区曲线波动情况看，2003年和2004年发生在研究区的森林火灾均较大规模，两年共发生87.3万公顷。2005年的火灾得到有效控制，但2006年再次发生较大波动，此后每年都在下降。自2012年以后，单年的过火面积基本保持在1万公顷以下。

（三）季节性特征

图4展示了研究期间内历史林火的发生时间分布。从图中可以明确大兴安岭地区具有明显的季节性特征，主要集中在春季和秋季两个季节。这有助于确定最易引发林火的火险期，从而提取采取预警措施。

具体而言，春季前后的火险期相对较长，林火主要发生在4月和5月。其中这两个月份的过火面积分别占全年总过火面积的14%和24%。在秋季，林火通常在10月达到高峰，成为全年林火发生频率最高的月份，占比约为44%。因此，这一时段被认为是全年最危险的火险期。此外，在其他六个月的时间里，林火干扰相对较小，约占全年的4%-5%之间。

这些季节性特征对于制定针对性的火灾预防和应对策略至关重要。春季和秋季是需要特别警惕的时段，因为这两个季节的火险性较高，而在其他时段则相对较低。因此，在火险期内采取更严格的火源控制和监测措施，以及增强公众的火灾防范意识，对于减少林火的风险和损失具有重要意义。

图4 各月林火面积占比

四、讨论

传统的森林防火预警方法通常依赖地面气象站点的监测数据，然而这些数据在距离站点较远或较近时都存在一定的限制，因为其准确性与站点位置有关。这种方法基于点数据，需要进行空间插值，因此可能产生不同的插值结果，降低了其普适性。相比之下，运用遥感数据进行实时森林火灾风险分析和预警则能更有效帮助林业管理部门预防火灾。这种方法使得防火预警更具操作性和准确性。使用MODIS数据得到的最终预警图为1km分辨率，会影响预警精确度，对于可能预警效果不佳的小面积森林火灾而言。因此，在后续的研究中，为了提高风险预警的准确性，可以结合利用空间分辨率较高的图像来进行早期的林火预警研究。

基于遥感影像建立的预警模型可实现实时森林火灾风险预警，为防火工作提供了实时指导。同时，预警模型能够克服以往仅考虑地形因素的森林火灾危险指数模型的局限性，综合考虑了多种人为因素和自然因素，在森林火灾预测和预警方面可以表现出更多优势。然而，预警模型对森林火灾危害的要求相对较高。未来的研究方向包括建立更为完善的卫星遥感森林火险预警模型，以提高预警精度。此外，还可以进一步研究人为活动、风速风向等预警因子的遥感提取方法，以确保森林火险风险预警的及时性，并合理规划森林防火工作，以降低潜在损失。

结语

本文以大兴安岭地区为研究区，基于多源遥感数据集提取并统计2001-2017年期间发生的林火相关信息，从时空角度明确研究区历史林火的特征。研究发现，由于缺乏充分的基础实验数据，目前在中国关于区域林火情势的研究仍然存在不足之处。为填补这一研究领域的空白，较多学者采用了一系列指标，包括TVDI、NDVI、NDII7以及根据历史森林火灾数据拟合的FDDI。这些指标能够反映森林火灾发生的概率。从林火分布特点上看，历史林火在研究区分布较广，影响最严重的是东北部地区，呈“东多西少、北多南少”的分布规律。东北部在2003年至2006年期间经历了多次重大的森林火灾，造成了严重的森林资源损失。东南部虽然受干扰较轻，但自2006年以后也发生了多次林火。中部地区主要有小规模林火分散分布。在年际间变化趋势方面，从2001年到2017年的统计数据中可以看出，大兴安岭地区的年际林火面积呈现波动趋势。2003和2004年是火灾最严重的两年，总过火面积达到87.3万公顷。之后，林火得到一定程度的控制，尤其是自2012年以后，单年过火面积基本维持在1万公顷以下。从季节特征上看，林火呈明顯的季节特征，主要发生在春季和秋季，其中秋季的火险期最为突出，主要在10月，占全年总过火面积的44%。春季前后的火险期跨度较大，分别在4月和5月，分别占全年总过火面积的14%和24%。其余月份则相对少发林火，总体来说比例偏低。考虑到复杂多变的森林环境，以及森林火灾的突发性和危害性，本文总结的森林火灾检测方法仍存在适应各种现实森林环境检测要求的挑战。因此，还需要在未来进行改进。一方面，本文的数据集都是从MODIS数据库和一些论文中搜集整理的。但现实中的森林火灾场景复杂多变，干扰因素较多，本文所收集到的数据集仍然较少，后期还可扩展数据集，以便在更深层次上做更多的审视。另一方面，本文仅使用了二维属性的卫星观测数据，未将高程、坡度、坡向等因素纳入考量，后期可增加实地观测数据，将研究区地理情况纳入体系构建。

参考文献

[1]

安森鹏，高振岭，王磊．林火对森林生态系统的影响［J］．科技信息，2013（06）：90-91.

[2]杨伟，张树文，姜晓丽．基于MODIS时序数据的黑龙江流域火烧字地提取[J].生态学报.2015（17）：5866-5873.

[3]Mouillot F.，Schultz M.G.，Yue C．Ten years of global burned area products from space borne remote sensing review： analysis of user needs and recommendations for future developments[J].International Journal of Applied Earth Observations and Geoinformation，2014，26：64-79.

[4]刘琳.基于MODIS数据的重庆市森林火灾监测与预警研究[D].重庆师范大学，2014.

[5]贾旭.基于遥感数据的内蒙古火灾时空分异特征与风险评估研究[D].内蒙古农业大学，2018.

[6]Ciprianihn，Pereirajaa，Silvara，et al.Fire risk map for the SerradeSo Domingos Municipal park，Poosdecaldas，MG[J].Cerne，2011，17（01）：77-83.

[7]周小成，汪小钦．EOS－MODIS数据林火识别算法的验证和改进[J].遥感技术与应用.2006，21（03）：206-211.

[8]Tomàs Artés.A global wild fire data set for the analysis of fire regimes and fire behaviour[J].Scientific Data，2019.

[9]覃先林.遥感与地理信息系统技术相结合的林火预警方法的研究[D].中国林业科学研究院，2005.

[10]李晓恋.基于MODIS数据的多因子协同作用下森林火灾预测监测研究[D].中国科学技术大学，2016.

[11]李哲全.基于卫星遥感的森林火灾风险预警研究[D].中南林业科技大学，2021.

[12]乔泽宇.2001—2017年我国森林火灾时空分布特征[N].山东科技大学，2020.